مؤشرات لبعض البرامج التعليمية الجيدة لـ SVM [مغلق]

Question

لقد كنت أحاول فهم أساسيات Support Vector Machines، وقمت بتنزيل وقراءة العديد من المقالات عبر الإنترنت.ولكن ما زلت غير قادر على فهم ذلك.

أود أن أعرف، إذا كان هناك بعض

• برنامج تعليمي لطيف
• نموذج التعليمات البرمجية التي يمكن استخدامها للفهم

أو أي شيء يمكنك التفكير فيه، والذي سيمكنني من تعلم أساسيات SVM بسهولة.

ملاحظة:تمكنت بطريقة ما من تعلم PCA (تحليل المكونات الرئيسية).راجع للشغل، يا رفاق كنتم ستخمنون أنني أعمل على التعلم الآلي.

Answer 1

التوصية القياسية لبرنامج تعليمي في SVMs هي وهناك أمثلة توضيحية على الأجهزة ناقلات دعم التعرف على الأنماط بواسطة كريستوفر بورجس.مكان جيد آخر للتعرف على SVMs هو دورة التعلم الآلي في جامعة ستانفورد (يتم تناول SVMs في المحاضرات 6-8).كلاهما نظري للغاية وثقيل في الرياضيات.

أما بالنسبة للكود المصدري؛ SVMLight, libsvm و TinySVM كلها مفتوحة المصدر، ولكن ليس من السهل جدًا اتباع التعليمات البرمجية.لم ألقي نظرة على كل واحد منهم عن كثب، ولكن مصدر TinySVM ربما يكون هو الأسهل للفهم.يوجد أيضًا تطبيق للكود الزائف لخوارزمية SMO في هذه الورقة.

Answer 2

هذا برنامج تعليمي جيد جدًا للمبتدئين حول SVM:

وأوضح SVM

لقد اعتقدت دائمًا أن البرنامج التعليمي الموصى به من StompChicken كان مربكًا بعض الشيء في الطريقة التي ينتقلون بها مباشرة إلى الحديث عن الحدود وإحصائيات VC ومحاولة العثور على الجهاز الأمثل وما شابه.من الجيد أن تفهم الأساسيات بالفعل.

Answer 3

الكثير من محاضرات الفيديو حول SVM:
http://videolectures.net/Top/Computer_Science/Machine_Learning/Kernel_Methods/Support_Vector_Machines/

لقد وجدت واحدا من قبل كولن كامبل لتكون مفيدة جدا.

Answer 4

دليل عملي لتصنيف SVM ل libsvm
دروس لغة PyML ل بي إم إلأظن 1 عملي للاستخدام، 3 واضح للفهم.

Answer 5

بافتراض أنك تعرف الأساسيات (على سبيل المثال، الحد الأقصى لمصنفات الهامش، وبناء النواة)، قم بالحل مجموعة المشاكل 2 (النشرة رقم 5) من دورة التعلم الآلي في جامعة ستانفورد.هناك مفاتيح الإجابة وهو يمسك بيدك خلال العملية برمتها.يستخدم مذكرة المحاضرة 3 & الفيديو رقم 7-8 كمراجع.

إذا كنت لا تعرف الأساسيات، شاهد مقاطع الفيديو السابقة.

Answer 6

أود الحصول على نسخة من ر, ، تحميل هذا e1071 الحزمة التي يلتف بشكل جيد libsvm, وحاول الحصول على نتائج جيدة فيما يتعلق بمجموعات البيانات المفضلة لديك.

إذا اكتشفت PCA للتو، فقد يكون من المفيد النظر إلى البيانات التي تحتوي على العديد من المتنبئات أكثر من الحالات (على سبيل المثال، ملفات تعريف التعبير الجيني للمصفوفة الدقيقة، والسلاسل الزمنية، والأطياف من الكيمياء التحليلية، وما إلى ذلك) ومقارنة الانحدار الخطي على تنبؤات PCA مع SVM على المتنبئين الخام.

هناك الكثير من المراجع الرائعة في الإجابات الأخرى، ولكن أعتقد أن هناك قيمة في اللعب بالصندوق الأسود قبل أن تقرأ ما بداخله.